# Mapa de modelos: voz en tiempo real Actualizado: 2026-09-30. El razonamiento entró en el bucle de voz en 2026. En Speech Agent Arena de AA (conversaciones reales, votos a ciegas) se mantuvieron los cinco primeros: Gemini 3.1 Flash Live lidera por delante de su sucesor con disponibilidad general, Gemini 3.8 Live, seguido de GPT-Live-1 de OpenAI. Alibaba lanzó Qwen-Audio-3.1-Realtime con una gran rebaja; aún no tiene votos en la arena. ## Modelos cerrados ### Nivel S (lo mejor) - **Gemini 3.1 Flash Live** (google): La opción económica de audio nativo que la gente prefiere en conversaciones reales: aún #1 en Speech Agent Arena de AA, un puesto por encima de su propio sucesor con disponibilidad general. - **Gemini 3.8 Live** (google): El sucesor con disponibilidad general del líder de la arena conversacional llegó un puesto por detrás, y su gemelo Extended Thinking encabeza el índice de calidad de voz de AA. - **GPT-Live-1** (openai): La capa de voz dúplex completo de OpenAI se ejecuta delante de Sol o Astra a una tarifa fija de $0.05 por minuto y entró entre los cinco primeros de la arena conversacional con ambos. - **Grok Voice Think Fast 2.0** (xai): La reconstrucción 2.0 (29 jul) domina claramente la latencia —0.70s hasta el primer audio—, pero los informes de agosto de un "#1 general" no se sostuvieron: está en mitad de la nueva arena conversacional de AA. - **GPT-Realtime-2.1** (openai): Razonamiento sobre voz a voz nativa con esfuerzo ajustable, y el modelo en tiempo real que OpenAI recomienda ahora. ### Nivel A (frontera) - **Qwen-Audio-3.1-Realtime** (alibaba): Disponible en Model Studio como qwen-audio-3.1-realtime-plus desde el 23 sep, solo por API. Aún sin entrada en Speech Agent Arena, así que el nivel es provisional. Sep 2026. La voz de agentes dúplex completo de Alibaba decide cuándo hablar y llama a herramientas; se lanzó con una gran rebaja en tiempo real. - **StepAudio 3 Realtime (preview)** (stepfun): Lanzado el 15 sep (ID de API stepaudio-3-realtime-preview). Datos de voz a voz de AA: 98.9% en dinámica conversacional, 99.7% en razonamiento de voz; aún sin entrada en Speech Agent Arena. Sep 2026. Un modelo de voz dúplex completo con puntuaciones casi perfectas en las pruebas de dinámica conversacional y razonamiento de voz de AA, aún bajo un ID de API preliminar. - **ElevenLabs Agents** (elevenlabs): Líder de naturalidad en pruebas a ciegas del primer trimestre de 2026; en cascada (400-800ms), no S2S real, y sin puntuación en el índice S2S de AA, así que se valora como plataforma, no como modelo: de ahí el nivel A. Ago 2026. La plataforma de agentes con mejor sonido: naturalidad de Eleven v3, gestión de turnos propia, acciones con herramientas MCP y canales de teléfono y WhatsApp. - **Amazon Nova 2 Sonic** (aws): La mejor economía para telefonía y empresas. Jun 2026. Llamadas asíncronas a herramientas (sigue hablando mientras se ejecutan) y cambio de idioma en plena conversación a un precio aproximadamente un 80% menor que OpenAI. - **Hume EVI 4-mini** (hume ai): El especialista en empatía; acuerdo de licencia con Google DeepMind en ene 2026. Jun 2026. Condiciona tanto las palabras como la prosodia según la emoción vocal del usuario en menos de 300ms. ### Nivel B (situacional) - **Qwen-Audio-3.0-Realtime Plus** (alibaba): Fue #1 en AA Speech-to-Speech Index (84.1) el 3 ago; en el índice actual de calidad lidera Gemini 3.8 Live Extended Thinking (82.6, otra versión de la métrica). #26 en Speech Agent Arena de AA (775, consultado el 16 sep), bajó del #21. Tiempo hasta el primer audio de 4.02s, el más lento de los cinco primeros de agosto. Sep 2026. Voz a voz dúplex completo con herramientas: potente en las pruebas de tareas de AA, cerca del final cuando la gente vota sobre conversaciones reales. ## Modelos abiertos ### Nivel S (lo mejor) - **Step-Audio R1.1** (stepfun · apache 2.0): El único modelo abierto que compite con la frontera cerrada en razonamiento de audio Y ofrece voz a voz en tiempo real. - **Qwen3-Omni** (alibaba · apache 2.0): La pila abierta de audio más completa: entrada de texto, audio, imágenes y video; salida de voz en tiempo real. ### Nivel A (frontera) - **Kyutai Moshi + Unmute** (kyutai · cc-by 4.0): La arquitectura abierta de referencia en latencia y dúplex. No se pudo volver a verificar en jul 2026 la afirmación anterior de ser el «único modelo abierto de dúplex completo real», así que se ha matizado. La referencia abierta de dúplex completo (~200ms, interrupción real); Unmute la convierte en una cascada modular con cualquier LLM. ### Nivel B (situacional) - **PhoneLLM Alpha 1** (pipecat (daily) · bsd-2-clause): Pesos disponibles en HF (pipecat-ai/phonellm-alpha-1, BSD-2-Clause, 13 fragmentos; 27 ago); basado en NVIDIA Nemotron 3 Nano 30B-A3B. Etiqueta alfa, sin entrada en una clasificación independiente: una opción abierta de nivel B para agentes de voz en cascada. Sep 2026. Un cerebro de agente telefónico que puedes alojar tú: un ajuste fino de Nemotron 3 Nano (3.5B activos) optimizado para llamadas de varios turnos y baja latencia, con licencia BSD sin condiciones comerciales adicionales. - **Sesame CSM-1B** (sesame · apache 2.0): Arquitectura influyente, adoptada por la comunidad. Jun 2026. Generación de voz con «presencia vocal» condicionada por el contexto; la parte de TTS expresivo de un agente, no dúplex completo.